Low Cost Two-Stage Fabric Defect Detection at the Edge
تقدم هذه الورقة نظاماً من مرحلتين ومنخفض التكلفة للكشف عن عيوب الأقمشة، تم نشره على منصة NVIDIA Jetson Nano، يستخدم مشفراً تلقائياً مدمجاً لفرز الإطارات من أجل كاشف YOLOv5n، محققاً استدعاءً عالياً مع الكشف عن أن تسريع الأداء الملحوظ ناتج بشكل أساسي عن فك تشفير JPEG المتوازي بدلاً من بنية الشلال نفسها.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في مصانع الملابس الصاخبة في بنغلاديش، ثاني أكبر مصدر للملابس الجاهزة في العالم، تعتمد جودة المنتج النهائي كلياً على القماش. فقبل قص أي قميص، يجب فحص لفات القماش بحثاً عن الثقوب، أو بقع الزيت، أو الخيوط المتشابكة. ولعقود من الزمن، كانت عملية الفحص هذه مهمة بشرية؛ حيث يقف العمال أمام لفات القماش المتحركة، وتتفحص أعينهم العيوب حتى يحل التعب، مما يؤدي إلى نتائج غير متسقة وخطوط إنتاج بطيئة. ورغم وجود آلات مؤتمتة، إلا أنها غالباً ما تكون باهظة الثمن وتستهلك الكثير من الطاقة بالنسبة للمصانع الصغيرة والمتوسطة التي تقود الاقتصاد المحلي. ولا يكمن التحدي لهذه المصانع في مجرد العثور على العيوب، بل في القيام بذلك باستخدام حاسوب يكلف حوالي مائة دولار ويعمل باستهلاك ضئيل جداً من الكهرباء. وهنا يأتي دور عمل الباحثين في جامعة دكا، الذين يحاولون بناء نظام يمكنه رؤية ما قد تخطئه العين البشرية المتعبة، ولكن دون تكلفة الحاسوب الخارق.
لقد نهج الباحثون هذه المشكلة باستراتيجية مستعارة من تاريخ رؤية الحاسوب لعقود: لا تفحص كل شيء بأقوى أداة لديك. بدلاً من ذلك، استخدم مرشحاً سريعاً ورخيصاً لاستبعاد العناصر العادية والواضحة، ووفر العمل الشاق للأشياء القليلة التي تبدو مشبوهة. لقد بنوا نظاماً ذا مرحلتين لاختبار هذه الفكرة. المرحلة الأولى عبارة عن برنامج مدمج وخفيف الوزن مصمم للتعرف على شكل القماش "الطبيعي". إذا بدا القماش طبيعياً، يتجاهل النظام الصورة ويمضي قدماً. أما إذا بدا القماش غريباً، فيقوم النظام بتمييزه ويرسله إلى برنامج ثانٍ أكثر قوة يحدد نوع العيب بالضبط. وقد تم نشر هذه العملية برمتها على جهاز صغير وبأسعار معقولة يسمى (NVIDIA Jetson Nano)، وهو مصمم لتشغيل المهام المعقدة في الأماكن التي لا تستطيع الخوادم الكبيرة الوصول إليها.
قام الفريق بتدريب مرحلتهم الأولى على آلاف الصور للقماش المثالي، وتعليم البرنامج كيفية إعادة بناء صورة القماش في ذهنه. عندما يكون القماش مثالياً، تكون عملية إعادة البناء سهلة ودقيقة. وعندما يوجد عيب، يواجه النظام صعوبة في إعادة إنشاء الصورة، وهذا الصراع هو ما يشير إلى وجود خلل. ولجعل عملية الفرز هذه أكثر فعالية، أضافوا بعض الحيل الذكية للبرمجيات، مثل التركيز أكثر على حواف القماش حيث تختبئ العيوب غالاً، والتعلم من نظام خبير مدرب مسبقاً لفهم شكل العيب بشكل أفضل. تعمل هذه المرحلة الأولى كحارس بوابة. وفي اختباراتهم، قام هذا الحارس بتمييز جميع الصور العشرين المعيبة من بين مجموعة محددة مكونة من مائتين وتسعة وأربعين صورة، لكن الباحثين يحذرون من أن هذه النتيجة هي نتاج معايرة داخل العينة وليست تقديراً مستقلاً مثبتاً، مع وجود فاصل ثقة واسع يشير إلى أن نسبة الاستدعاء الحقيقية قد تكون أقل. ومع ذلك، لم يكن النظام مثالياً في تجاهل القطع الجيدة؛ فقد ميز ما يقرب من نصف القماش النظيف على أنه مشبوه، مما أجبر المرحلة الثانية على العمل بجهد أكبر مما كان مأمولاً.
تستخدم المرحلة الثانية نظام كشف أجسام معروف للنظر في الصور المميزة وتحديد الموقع الدقيق للثقب، أو بقعة الزيت، أو خطأ الخيط. ولأن هذه المرحلة مكلفة حوسبياً بشكل أكبر، فقد أمل الباحثون أنه من خلال تصفية الصور العادية أولاً، سيعمل النظام بشكل أسرع بكثير بشكل عام. لقد قاسوا سرعة نظامهم المكون من مرحلتين مقابل نظام يشغل الكاشف الثقيل على كل صورة على حدية. كان النظام ذو المرحلتين أسرع بالفعل، حيث عالج حوالي ثلاثة عشر ونصف صورة في الثانية مقارنة بأقل من عشر صور للنظام الذي يعتمد على الكاشف الثقيل فقط. بدا هذا التحسن كنجاح، لكن الباحثين قرروا التعمق لفهم مصدر هذه السرعة بالضبط.
ما اكتشفوه كان مفاجئاً وهاماً لأي شخص يحاول بناء أنظمة مماثلة. فعندما قاموا بتفكيك الوقت المستغرق في كل مهمة، وجدوا أن السرعة لم تأتِ أساساً من تخطي الكاشف الثقب، بل جاءت من كيفية تعامل الحاسوب مع الصور. استطاع النظام قراءة ملف الصورة من القرص ومعالجة الصورة التالية في نفس الوقت، مما أدى فعلياً إلى إخفاء الوقت الذي يستغرقه تحميل البيانات. كان التوفير الفعلي من تخطي الكاشف الثقيل صغيراً جداً، حيث لم يشكل سوى أقل من عشرة بالمائة من إجمالي مكاسب السرعة. والسبب في هذا التوفير الضئيل هو أن المرحلة الأولى كانت لا تزال ترسل الكثير من الإنذارات الكاذبة، مما جعل المرحلة الثانية تعمل على أكثر من نصف الصور على أي حال.
هذا الاكتشاف يغير التركيز على المشكلة. فقد أدرك الباحثون أنه في هذا النوع المحدد من الحواسيب الصغيرة، لا تكمن العقبة في ذكاء الكاشف، بل في سرعة تغذية الصور إليه. كان النظام يقضي وقتاً في تحميل الصور أكثر مما يقضيه في تحليلها. علاوة على ذلك، ولأن المرحلة الأولى كانت ترسل الكثير من الإنذارات الكاذبة، لم يكن النظام يستفيد حقاً من ندرة العيوب. وحسب الباحثون أنه إذا تمكنوا من ضبط المرحلة الأولى لتكون أكثر حذراً وترسل إنذارات كاذبة أقل، فيمكن للنظام توفير وقت أكبر بكثير، مما قد يقلل العمل الذي يتعين على المرحلة الثانية القيام به بنسبة تقارب النصف. ومع ذلك، فإن جعل المرحلة الأولى أكثر حذراً ينطوي على مخاطرة بفقدان العيما الحقيقية، وهي مقايضة تتطلب توازناً دقيقاً.
يخلص البحث إلى أنه بينما يعمل هذا النظام ذو المرحلتين ويتناسب مع جهاز منخفض التكلفة، فإن الاعتقاد الشائع بأن الأنظمة المتتالية توفر تلقائياً تسريعاً هائلاً يجب أن يُنظر إليه بحذر. إن مكسب السرعة الذي لاحظوه كان نتيجة في الغالب لمعالجة البيانات بكفاءة، وليس بسبب عملية التصفية نفسها. وبالنسبة للمصانع التي تتطلع لتبني هذه التكنولوجيا، فإن الخطوة التالية الأكثر فعالية ليست بالضرورة بناء كاشف أذكى، بل ضبط حساسية المرحلة الأولى لتقليل الإنذارات الكاذبة وضمان سلاسة تدفق البيانات قدر الإمكان. يعمل النظام بشكل أفضل كمساعد للعمال البشريين، حيث يساعدهم في فرز لفات القماش التي تحتاج إلى نظرة فاحصة، بدلاً من كونه بديلاً مستقلاً تماماً. إنه يثبت أن الذكاء الاصطناعي المتقدم يمكن أن يعمل على أجهزة متواضعة، ولكنه يظهر أيضاً أن الطريق إلى السرعة غالباً ما يوجد في "سباكة" النظام، وليس فقط في "عقله".
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.